本书基于真实数据集，全面系统地阐述现代计算机视觉实用技术、方法和实践，涵盖50多个计算机视觉问题。全书分为四部分：di一部分（第1~3章）介绍神经网络和PyTorch的基础知识，以及如何使用PyTorch构建并训练神经网络，包括输入数据缩放、批归一化、超参数调整等；第二部分（第4~10章）介绍如何使用卷积神经网络、迁移学习等技术解决更复杂的视觉相关问题，包括图像分类、目标检测和图像分割等；第三部分（第11~13章）介绍各种图像处理技术，包括自编码器模型和各种类型的GAN模型；第四部分（第14~18章）探讨将计算机视觉技术与NLP、强化学习和OpenCV等技术相结合来解决传统问题的新方法。本书内容丰富新颖，语言文字表述清晰，应用实例讲解详细，图例直观形象，适合PyTorch初中级读者及计算机视觉相关技术人员阅读。

面向初学者，以实践为驱动，涵盖计算机视觉所有关键主题
结合具体应用场景，提供50多个计算机视觉问题的实用解决方案
通过示例源代码，帮助你轻松掌握PyTorch计算机视觉处理技术

计算机\程序设计

深度学习是近年来计算机视觉应用在多个方面取得进步的驱动力。本书以实践为驱动，结合具体应用场景，基于真实数据集全面系统地介绍如何使用PyTorch解决50多个计算机视觉问题。
首先，你将学习使用NumPy和PyTorch从头开始构建神经网络（NN），并了解调整神经网络超参数的最佳实践。然后，你将学习如何使用卷积神经网络（CNN）和迁移学习完成图像分类任务，并理解其中的工作原理。随后，你将学习二维和三维多目标检测、图像分割、人体姿态估计等多个实际任务，并使用R-CNN、Fast R-CNN、Faster R-CNN、SSD、YOLO、U-Net、Mask R-CNN、Detectron2等框架实现这些任务。在自编码器和GAN部分，本书将指导你学习面部表情替换、面部图像生成和面部表情处理技术。之后，你将学习如何将计算机视觉与NLP技术（如LSTM、transformer等）和强化学习技术（如深度Q学习等）相结合，实现OCR、图像标题生成、目标检测和汽车自动驾驶智能体等应用。最后，你将学习如何将神经网络模型部署到AWS云等实际应用场景。
通过阅读本书，你将学会：
使用NumPy和PyTorch从头开始构建神经网络。
实现二维和三维多目标检测、图像分割。
使用自编码器和高级GAN生成数字图像和虚拟图像。
使用Pix2PixGAN、CycleGAN、StyleGAN2、SRGAN等模型进行图像处理。
结合计算机视觉与NLP技术实现OCR、图像标题生成和目标检测。
结合计算机视觉与强化学习技术实现玩Pong游戏的智能体和汽车自动驾驶智能体。
使用FastAPI和Docker工具将神经网络模型部署到AWS云等实际应用场景。
使用常用的OpenCV实用程序进行图像分析。